WSL2+Miniconda：Windows下搭建干净Python环境全指南-代码聚汇网

WSL2+Miniconda：Windows下搭建干净Python环境全指南

程序幻境画师·2026-09-04·阅读 23 GEO检测（免费）

WSL2MinicondaConda

|难度：普通|阅读约 29 分钟

1. 为什么你该在 WSL 里跑 Python，而不是在 Windows 里硬装

我在 Windows 上正经写 Python 的项目，前前后后折腾了三四年。早期用原生 Python + pip 一把梭，项目多了之后就出事——A 项目要 Django 3.2，B 项目要 Django 4.0，升一个另一个就崩；有些依赖带 C 扩展，Windows 下编译报错能报到你怀疑人生。后来换了 Conda，Windows 下也能建虚拟环境了，但 Linux 特有的工具链、系统库还是没法碰，想在本地复现服务器上的部署环境，总有细微差别。

切到 WSL 是最近一年的事。用 WSL 2 + Miniconda 这一套组合拳之后，我基本不在 Windows 侧碰 Python 了。WSL 2 不是虚拟机，它跑在轻量级虚拟化平台上，内部是一个完整的 Linux 内核，所以 Ubuntu 能干的活它都能干。而且它能直接访问 Windows 盘符下的文件（比如 /mnt/c/Users/xxx/project），Windows 侧也能用 \\wsl$\Ubuntu\home\xxx 直接编辑 Linux 内的文件，两边互通非常顺。

这篇文章就把我的环境搭建过程完整拆开，从 WSL 2 的安装到 Conda 国内源配置、再到创建 Python 环境和管理 pip，一步一步带命令走，适合以下几类读者：

刚接触 WSL，想在 Windows 上拥有一个纯粹的 Linux 开发环境的新手
被 Windows 下 Python 依赖冲突、编译报错折腾到头疼，想切换到 Conda 工作流的人
在跑 ComfyUI、Stable Diffusion WebUI 这类要求严格 Python 环境的 AI 工具时，报“节点缺失 / 需要 pip install”之类错误却不知道怎么解决的用户

最后会附上我踩过的坑和排查表，建议收藏备用。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 先把 WSL 2 折腾到能用的状态

2.1 WSL 安装：三条路线，选方便的那条

WSL（Windows Subsystem for Linux）现在的安装入口很简单，管理员 PowerShell 里跑一句：

powershell复制wsl --install

这句命令会帮你开 Windows 可选功能、下载 WSL 内核，默认装 Ubuntu。但实际执行中我见过太多翻车现场：要么进度条卡在那不动，要么报“无法启动服务，原因可能是已被禁用或与其相关联的设备没有启动”，要么下载速度慢到像在下载整个银河系。

我自己最常用的方案是分步手动安装，可控性更高：

管理员 PowerShell 里启用两个功能：

powershell复制dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

重启电脑，然后在管理员 PowerShell 执行：

powershell复制wsl --set-default-version 2

去 Microsoft Store 搜 Ubuntu 22.04 LTS，点安装。如果 Store 下载也有问题，可以在浏览器打开微软官方的 WSL 发行版下载页，手动下载 .appx 安装包，然后解压或者双击安装，速度反而稳定。
完成后在开始菜单打开 Ubuntu，第一次启动会让你创建 Linux 用户名和密码。这个用户名不会和 Windows 用户名冲突，可以随便设，但别设太简单的。

安装完先看一眼版本，确认是 V2 而不是 V1：

bash复制wsl -l -v

输出里 NAME 是 Ubuntu、VERSION 是 2，就说明没问题。V1 和 V2 的核心区别是内核完整度：WSL 1 只做系统调用翻译，兼容性差；WSL 2 是真正的 Linux 内核，装原生 Linux 软件基本无坑。

2.2 装机后的第一件事：给 Linux 换内核源并装编译工具

Conda 提供的 Python 包大多是二进制的，但有些包需要编译安装，所以 build-essential 这类工具包一定得提前装上。进入 Ubuntu 终端后，第一件事：

bash复制sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential curl wget git

apt update 从 Ubuntu 官方源拉取索引，国内网络如果慢，就把 /etc/apt/sources.list 里的源换成阿里云或清华源。这一步很多人忽略，结果后面 Conda 装完了，想编译装个什么包却发现 gcc 没有，白白浪费时间。

这里也说一句：WSL 里的 Ubuntu 默认用户不是 root，这是正确的，日常操作就用普通用户，需要管理员权限时加 sudo，别图省事直接 su root，权限隔离对开发环境是保护。

2.3 WSL 卡、内存吃爆？用 .wslconfig 做性能约束

WSL 2 默认配置对内存和 CPU 很贪婪——Windows 有 32GB 内存，WSL 默认能用到 32GB 的 50% 甚至更多。你没感觉还好，一旦在里面跑个 Conda 装包，内存直接飙升，Windows 反过来开始卡。

解决办法是在 C:\Users\你的用户名\.wslconfig 文件里做限制。这个文件默认不存在，自己建一个，内容参考如下：

ini复制[wsl2]
memory=8GB
processors=4
swap=4GB
localhostForwarding=true

保存后，在 PowerShell 执行 wsl --shutdown，然后重新打开 Ubuntu，配置就生效了。localhostForwarding=true 保证 WSL 里启动的 Jupyter Notebook、FastAPI 服务能被 Windows 浏览器通过 localhost 直接访问，默认就是开的，不过显式写出来不容易忘。

如果你遇到“WSL 里能拼通外网，但 Windows 访问不到 WSL 里的端口”这类问题，大概率就是 .wslconfig 配置改动后没重启，或者 Windows 防火墙把端口拦了。先 wsl --shutdown 再重开，八成能解决。

2.4 WSL 整体备份：目录迁移和恢复出厂设置

这块很多人用不上，但要提前知道。Conda 环境 + 安装的包，时间久了能占十几 GB，全部堆在 WSL 的虚拟磁盘文件（ext4.vhdx）里。如果你把 WSL 默认装到了 C 盘，C 盘空间告急时就要做目录迁移。

两条命令搞定导出和重新导入：

powershell复制wsl --shutdown
wsl --export Ubuntu D:\wsl\ubuntu-backup.tar
wsl --unregister Ubuntu
wsl --import Ubuntu D:\wsl\ubuntu D:\wsl\ubuntu-backup.tar --version 2

--unregister 会把原来的发行版删掉，所以导出文件一定要先确认生成成功。导入到 D 盘之后，C 盘空间立刻释放。恢复出厂设置也是一个逻辑：导出备份之后卸载重装，或者只保留数据跑 wsl --unregister，都能重置。

3. 在 WSL 里装 Conda：为什么我推荐 Miniconda 而不是 Anaconda

3.1 Conda 和 Python、pip 之间的关系，先理清了

很多人对 Conda、Python、pip 这三者的关系是懵的，我打个比方：

Python 是发动机，提供运行代码的环境
pip 是给发动机装零件的工具，它从 PyPI 仓库下载 Python 包
Conda 是整车厂，它不只帮你造发动机（装 Python 解释器），还管理零件仓库（包）和整车生产线（虚拟环境）

Conda 能创建的“环境”，本质上是一套独立的目录，里面有自己的 Python 解释器、pip 和全部依赖包目录。你切到哪个环境，用的就是哪个目录下的 Python，互不干扰。这就是为什么 Conda 能从根本上解决 Windows 上“A 项目要这个版本、B 项目要那个版本”的冲突问题。

Anaconda 是 Conda 官方推的“全家桶”，装完自带两百多个常用包，体积五六个 GB，对新手友好，但大部分包你用不上。Miniconda 只带 Conda + Python 最小集，体积几百 MB，需要什么装什么，后续维护更清爽。我长期用的是 Miniconda。

3.2 Miniconda 安装实操：下载脚本并执行

进入 WSL 终端后，先把安装脚本拉下来。注意官网的下载链接会改版本号，最新方式是在[官方文档页面]复制安装包直链，但要快的话也可以从清华镜像站下载，路径结构一致。举例：

bash复制cd ~
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

然后执行：

bash复制bash Miniconda3-latest-Linux-x86_64.sh

脚本会一路问问题：

是否接受许可协议：输入 yes
安装路径：默认 ~/miniconda3，直接回车
是否执行 conda init：这里务必输入 yes，它会自动写 ~/.bashrc，让新终端启动时能直接用 conda 命令

装完后重开终端，看到命令行前面出现 (base)，说明成功了。如果没出现，执行一次：

bash复制source ~/.bashrc

验证安装：

bash复制conda --version

注意：WSL 的终端每次启动会自动加载 ~/.bashrc，但如果你用的是 sudo 提权后的 shell，conda 命令可能仍然找不到。因为 conda init 只写了普通用户的 .bashrc，sudo 下的环境变量不会加载。解决方式有两个：要么需要管理员操作时不要用 sudo conda，要么在 sudo 命令里手动带上 source /home/你的用户名/miniconda3/etc/profile.d/conda.sh，建议日常就直接用普通用户执行 conda，最多在前面加 sudo 去装系统级依赖。

3.3 装后立刻配置国内镜像源，不然后面装包等到怀疑人生

Conda 默认从官方 Anaconda 源拉包，国内网速拉胯是常态。所以装完 Miniconda 之后，我建议第一时间配置清华源镜像。

执行下面的命令直接写入 ~/.condarc：

bash复制conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --set show_channel_urls yes

但更可靠的方式是直接编辑配置文件，因为 conda config 添加 channels 的顺序有时候会让人看不懂。用 nano ~/.condarc 编辑，写入：

yaml复制channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

s/默认的 defaults 源换成清华镜像的三条主通道，cloud 下的 conda-forge 和 pytorch 也指过去。这样无论是 conda install numpy、conda install -c conda-forge xxx还是conda install pytorch`，都会走镜像。

配好后清一下索引缓存：

bash复制conda clean -i
conda update conda

验证配置：

bash复制conda info

看输出的 channel URLs 是否指向清华域名。这一步的关键认知是：conda 换源只影响 conda 自身的包下载，和 pip 无关。装完 Python 环境后，你用 pip 装包依然走 PyPI 官方源，那速度还是慢，所以 pip 的源要单独配，下一章会讲到。

3.4 Conda 的基础运维命令，建议滚瓜烂熟

环境管理是 Conda 的核心能力，常用命令我列一份，每个都实际验证过：

bash复制# 查看当前有哪些环境
conda env list

# 创建一个叫 myenv 的环境，指定 Python 版本 3.10
conda create -n myenv python=3.10 -y

# 激活环境
conda activate myenv

# 退出环境，回到 base
conda deactivate

# 列出当前环境的包
conda list

# 删除环境（连同里面的所有包）
conda remove -n myenv --all

# 给已有环境安装某个包
conda install -n myenv numpy

注意 conda create 的 -y 参数跳过确认提示，写脚本、自动化的时候尤其有用。conda remove -n myenv --all 会把整个 .conda/envs/myenv 目录删掉，不可恢复，删前想清楚。

4. 核心实操：创建 Python 环境，搞定 pip 和国内源

4.1 Python 版本选择：别盲目追新

conda create -n 环境名 python=x.x 时，Python 版本怎么选？我个人的经验是：

要跑 PyTorch / TensorFlow 的项目，选 Python 3.10 或 3.11，目前生态兼容度最好
要跑最新的 AI 绘画工具链，如 ComfyUI、Stable Diffusion WebUI，教程一般会指定 Python 3.10 或 3.11，跟着官方要求走
只是写点小爬虫和脚本，Python 3.11 够用，3.12 之后的版本出现依赖不兼容的概率略高

举个例子，创建一个专门给 AI 项目用的环境：

bash复制conda create -n ai python=3.11 -y

装完会看到它自动给这个环境配好了对应的 pip。Conda 创建环境时内部会自动绑定 Python 官方对应版本的 pip，不需要额外“下载 pip”——pip 是随 Python 环境自带的核心模块。你在新环境里执行：

bash复制python -m pip --version

就能看到 pip 版本信息。

这里有个重要操作习惯：执行 pip 相关命令时，永远用 python -m pip 而不是裸的 pip。因为裸 pip 可能对应系统的另一个 Python，特别容易把包装错环境。用 python -m pip 能保证 pip 和你当前激活环境里的 Python 是同一个。

4.2 pip 国内源配置：一劳永逸

Conda 源配好了，pip 源同样要配。我用的方案是修改 pip 全局配置文件，让所有用户和环境的 pip 都走清华源。

WSL 中执行：

bash复制mkdir -p ~/.pip
cat > ~/.pip/pip.conf <<EOF
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn
EOF

之后再执行 pip install xxx，默认就会走清华 PyPI 镜像，速度提升立竿见影。

如果临时在别的机器上不想改配置，也可以直接加 -i 参数：

bash复制pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

但这种方法只对单次命令有效，新开一个环境就要再加一次参数，所以我更推荐写好 pip.conf 这种一劳永逸的方式。多个 conda 环境共享同一个 ~/.pip/pip.conf，不冲突。

4.3 conda install 和 pip install 到底啥区别？啥时候用哪个？

这是新人问得最多的问题。两者都是包管理器，但背后的“货源”不同：

conda install：从 Anaconda 仓库下载包，包通常是预编译的二进制，会带上系统级依赖，比如 MKL、OpenMP、CUDA 相关库，跨平台兼容性好。conda install 不会和 pip 抢环境，它自己管理依赖关系，装的时候可能自动调整环境中其他包的版本。
pip install：从 PyPI 仓库下载包，数量远超 Conda 仓库，很多新出的 Python 包只发 PyPI，Conda 仓库里可能找不到（比如某些冷门小库、最新的 GitHub 开发版包）。但 pip 默认不管理非 Python 的系统级依赖，需要你自己保证 gcc、系统库存在。

个人经验是：能用 conda 装的就用 conda，conda 里没有或者版本太旧的再用 pip 补。比如 PyTorch 官方推荐你 conda install pytorch torchvision torchaudio -c pytorch，那就用 conda；像 comfyui 的插件依赖用 pip 拉更直接。混用时注意别在纯 conda 环境里塞太多纯 pip 包装的包，时间久了依赖关系会乱。

4.4 用 conda 环境跑真实项目：从建环境到装 requirements

光会建环境还不够，得会“用环境跑项目”。拿一个典型 Python 项目来说，标准流程是：

激活目标环境：conda activate ai
进入项目目录：cd ~/projects/my_project
有 requirements.txt 就用 pip 一次性装：python -m pip install -r requirements.txt
直接启动项目：python main.py

需要特别提醒的是，网上很多项目还有一个开发安装模式，命令长这样：

bash复制pip install -e ".[default]"

这个命令的意思是：以可编辑模式安装当前项目，并且安装 [default] 这个 extras 分组里声明的依赖。如果你是用 Conda 建的环境，在调用这类命令之前，务必先确认你已经 conda activate 了对应的环境，否则包装到你 Windows 侧的 Python 或者另一个环境里，项目还是会报缺依赖。

如果你用 VSCode 写 Python，装好 Remote - WSL 插件后，左下角点一下绿色连接按钮，选“连接到 WSL”，VSCode 会重新打开一个远程 WSL 窗口。这时候再按 Ctrl+Shift+P 选 Python: Select Interpreter，就能看到这个 Ubuntu 系统里的 Conda 环境。比如你创建了一个 ai 环境，这里就会列出 ~/miniconda3/envs/ai/bin/python，选中即可。整个过程不需要在 Windows 侧装任何 Python。

PyCharm 用户也可以用类似思路，在 Settings 里 Project Interpreter 选择 WSL 路径下的 Python，文件访问也走 WSL 目录，体验也不差。核心是让 IDE 知道“你这个项目的解释器在 Linux 那边”，别让两边混着用。

4.5 特别章节：从头到尾复现一个 ComfyUI 类依赖问题的解决流程

热词里反复出现类似的报错：

text复制要安装缺失的节点，请先在你的 python 环境中运行 pip install -u --pre comfyui-man

这种报错一般出现在 ComfyUI、Stable Diffusion WebUI 等插拔式 AI 工具里。它背后的原理是：ComfyUI 本体是一套框架，本身只保证核心功能，大量的自定义节点（custom node）是第三方开发者写的插件，每个插件都有自己依赖的 Python 包。框架在启动时检测到某个节点引用了环境中不存在的包，就会提示你手动安装。

以前在 Windows 上遇到这种错误，第一反应是在 PowerShell 里跑一遍提示的 pip 命令——然后大概率装进系统级 Python 里了，对 WSL 里的 Conda 环境一点用都没有。正确顺序是：

确认 WSL 里的目标 conda 环境确实是 ComfyUI 运行时用的同一个解释器
conda activate comfyui
切到 ComfyUI 根目录
执行：

bash复制python -m pip install -u --pre comfyui-man

-u 参数表示升级到最新版，--pre 表示允许安装预发布版（因为很多 ComfyUI 自定义节点只有 pre-release 版本）。把 pip 换成 python -m pip，就是为了确保这条命令安装在当前激活的 conda 环境里，不会扔到别处去。

装完后重启 ComfyUI，节点缺失的报错就消失了。如果你发现自己运行某个自定义节点还是报缺所谓的“模块”，多半是环境不统一导致的：Windows 侧打包环境 + WSL 侧运行环境，两个 Python 各管各，互相不通。这就是为什么我开头强调：要玩这套东西，环境从头到尾都建在 WSL 里，路径也统一走 WSL 目录。

5. 常见问题与排查技巧实录

5.1 问题速查表

这些是实操中最常见的一批问题，直接列个表，方便以后对号入座。

症状	原因	解决方式
`conda: command not found`	conda init 没执行或没重开终端	执行 `source ~/.bashrc`，或运行 `/home/用户名/miniconda3/bin/conda init bash` 后重开终端
`conda activate` 提示使用 `conda init`	当前 shell 不是交互式 shell	先执行 `source ~/miniconda3/etc/profile.d/conda.sh` 再 activate；写脚本时可用 `conda run -n envname python xx.py`
`sudo conda ...` 找不到 conda	sudo 环境不继承普通用户的 PATH	不用 sudo 执行 conda，需要管理员权限的先 sudo 做系统操作，conda 操作一律普通用户执行
`wsl --install` 卡住或很慢	网络问题 / 未启用虚拟化	改用 Store 手动装发行版，或手动下载 .appx；开机进 BIOS 确认虚拟化已开启
`无法启动服务，原因可能是已被禁用...`	Windows 服务未启动	管理员 PowerShell 执行 `Get-Service LxssManager` 看状态，改为 `Start-Service LxssManager`；或运行 `wsl --shutdown` 后重开
pip 下载速度极慢	PyPI 官方源没换成镜像	写 `~/.pip/pip.conf`，配清华源或阿里源
conda 创建环境下载超时	conda 仍走官方源	检查 `~/.condarc` 是否写对，执行 `conda clean -i` 后重试
报“缺 node / 模块找不到”	包装错环境或没装依赖	`conda activate` 到正确环境，用 `python -m pip install ...` 重装
在脚本里 conda activate 不生效	非交互 shell 不加载 conda 函数	使用 `conda run -n 环境名 python 脚本.py`

5.2 场景：conda 在某个环境里装不上 package

有时候你 conda install xxx 会提示 PackagesNotFoundError，或者解决依赖解析卡很久。这不一定是你网络问题，很多时候是包确实不在默认 channels 里。解决办法可以依次尝试：

加 -c conda-forge 从 conda-forge 通道找：conda install -c conda-forge xxx
如果配置了清华镜像的 custom_channels，确认 conda-forge 的 URL 指向 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda-forge 也没有的包，改用 pip 装

conda 解析依赖特别“轴”，偶尔会出现依赖冲突提示。一个省心办法是用 mamba 替代 conda 做包安装，mamba 是 C++ 写的依赖求解器，速度快得多。装法：

bash复制conda install -c conda-forge mamba -y
mamba install numpy

后期我会把日常高频的包安装命令都换成 mamba，同一个环境管理机制，兼容性完全没问题。

5.3 场景：Git clone 中断、pip 下载中断，多半是网络和仓库地址的事

还经常有人碰到：

bash复制git clone packet_write_wait: Connection to xxx port 22: Broken pipe

这通常发生在 clone GitHub 远程仓库时网络中断。虽然不是 Conda 或 Python 的直接问题，但你在 WSL 里搭项目经常会遇到，顺手说下我的处理方式：

调大 git 的缓冲区和超时时间：

bash复制git config --global http.postBuffer 524288000
git config --global http.lowSpeedLimit 0
git config --global http.lowSpeedTime 999999

克隆中断后不要慌，进入目标目录执行 git pull 断点续传
如果是单文件下载，用 wget -c 支持断点续传
如果经常从 GitHub 拉代码很慢，可以考虑将 GitHub 上的仓库导入到 Gitee，再在 WSL 里从 Gitee 克隆，之后加一个 upstream 保持同步。这套方案适合做开源项目的二次开发，速度提升很明显

5.4 场景：我怎么知道当前用的 Python 是哪个？

项目环境乱不乱，一条命令验出来：

bash复制which python
python -c "import sys; print(sys.executable)"

在激活某个 conda 环境后，which python 应该输出类似 ~/miniconda3/envs/ai/bin/python 的路径，如果输出 /usr/bin/python3 说明当前不在 conda 环境里（或者 conda 环境里的 Python 没被优先加载）。sys.executable 会告诉你当前 Python 解释器的绝对路径，写环境配置、排错时非常有用。

如果发现 conda activate 之后 python 还是指向 /usr/bin/python3，多半是环境没激活成功，或者 .bashrc 里 conda 初始化顺序不对。在终端头一行确认有 (环境名) 前缀即可。

6. 生产力配置：把 conda 环境的日常使用打磨顺手

6.1 一键进入常用环境：用 alias 减少击键

每次开终端都敲 conda activate ai，久了挺烦的。我习惯在 ~/.bashrc 里加几个 alias：

bash复制alias ai="conda activate ai"
alias base="conda activate base"

保存后 source ~/.bashrc，以后直接敲 ai 就能进环境。这种小配置看着不起眼，但每天省下的几秒钟积累下来很可观。配合 .bashrc 里的 # >>> conda initialize >>> 段，终端体验会顺滑很多。

6.2 环境导出与迁移：换电脑也能恢复原样

用 Conda 最大的好处是环境可以“打包带走”。在旧机器上：

bash复制conda activate 环境名
conda env export > environment.yml

把 environment.yml 拷到新机器，执行：

bash复制conda env create -f environment.yml

就能得到一模一样的虚拟环境。注意 conda env export 导出的内容包含当前平台的包版本和系统库路径，所以一般不建议跨平台迁移（特别是 Linux 和 Windows 互转）。如果你只是想在另外一台 Linux 机器上恢复环境，这个方式没问题。

跨平台或只需要 Python 依赖的场景，用 pip freeze > requirements.txt 只导出 PyPI 包更通用。Conda 环境和 pip 兼容性已经足够好，requirements.txt 在新环境里用 pip install -r requirements.txt 还原，很少出大问题。

6.3 后台跑 Python 项目的几个技巧

WSL 里跑长任务（比如训练脚本、爬虫只抓）有个常见困扰：关掉终端窗口，任务就一起凉了。解决方案：

用 nohup 配合后台运行：

bash复制conda activate ai
nohup python train.py > train.log 2>&1 &

更现代的方式是用 tmux，关终端也不影响会话：

bash复制sudo apt install -y tmux
tmux new -s train
conda activate ai
python train.py
# 按 Ctrl+B 然后按 D，脱离会话，任务继续跑
# 重新进入：tmux attach -t train

6.4 Windows 侧访问你的 Linux 文件时注意别乱用 /mnt/c

WSL 2 的文件访问逻辑需要注意两点：Linux 侧访问自己的根目录（~ 等）速度最快，访问 Windows 盘挂载的 /mnt/c 走的是 9P 协议，IO 性能比本地 ext4 慢不少。

所以 Python 项目代码、Conda 环境、数据集默认都放 Linux 侧（比如 ~/projects、~/miniconda3），只在需要和 Windows 工具（比如微信传文件、Windows 版的 IDE 打开特定文件）交互时去 /mnt/c。这一点很多人一开始不注意，把项目放在 /mnt/c/Users/xxx/Desktop 里跑，装个包都要等半天，还以为是 Conda 慢。把数据挪回 Linux 侧，体感速度立马不一样。

6.5 顺手把 VSCode 的默认终端接进 WSL

如果你已经装了 VSCode 的 Remote - WSL 插件，打开一个 WSL 窗口后，按“Ctrl + ”调出集成终端，这个终端就是 WSL 里的 Bash。此时你 conda activate` 任何环境都能直接跑命令。注意 VSCode 的终端如果是 PowerShell 而非 Bash，就在设置里把终端默认 profile 改一下，选择 Ubuntu (WSL)。这个细节能省很多事，不然每次在 VSCode 里还要手动切终端类型。

7. 最后的一些野路子经验

我在 WSL + Conda 这套环境上踩过的坑，比在 Windows 原生 Python 上踩的多不少，但回过头看，这些坑都值得踩。Windows 侧的问题往往是你不知道怎么解决，只能重装或者绕开；WSL 里的问题，大多数能通过翻日志、查配置解决，这对理解整个 Python 依赖体系非常有帮助。

几个真实的体会：

依赖冲突的解决思路，优先级永远是从 conda 环境隔离开始，而不是硬解冲突。多建几个环境，比在一个环境里想方设法“兼容”要省心得多。
pip 和 conda 不要在一个环境里混到极端——偶尔用 pip 补一两个包没问题。但如果你每次都“pip install 一把梭”，最终环境会变得不可复现，重装的时候哭都来不及。
每次创建环境最好用 python=3.10 或 3.11 这类明确的版本，别图省事用默认。默认版本会随 Miniconda 版本更新而漂移，今天建环境和明天建环境可能出来两个不同版本。

关于 Conda 官方源到底稳不稳，我的体验是：在配置好清华源的前提下，速度足够日常开发使用。如果某一次下载特别慢，建议先看是不是触发了 conda 的 HTTP 连接问题而不是源的问题，最简单的方法是把 ~/.condarc 里的源先切回 defaults，测一次再切回来，或者直接换用中科大的镜像源试试。多准备一个备用源，是长期经验里的务实思路。

如果你已经受够了 Windows 下 Python 环境的折腾，就按这篇文章从 WSL 安装开始一步步走，两个小时足以把基础链路全部跑通。后续无论你是要训练模型、写爬虫还是做 Web 开发，一套干净可控的 Linux + Conda 环境都会让你轻松很多。